高职教学质量之大数据管理模型

2016-11-05孙卫东

职教论坛 2016年19期

□孙卫东

高职教学质量之大数据管理模型

□孙卫东

自2004年以来，实现由外延扩张向内涵发展转变一直是高职的一项中心任务。但传统的高职教学质量管理模式具有高度计划性、流程性和控制性等特点，是以“经验”、“主观”、“规范”、“标准”、“统一”为特征的中规中矩式的一种模式，一直难以取得令人满意的效果。基于教育大数据构建的高职教学质量管理模型，包括专业与课程设置模式、教学模式和督导模式，体现了现代质量观所倡导的“数据化”、“客观性”、“灵活性”、“个性化”、“实时性”、“过程性”等特征，更加适应当下急剧变化的人才需求市场和具有高度差异性及个性化的高职学生的教育。

高职；教学质量；教育大数据

高职（含高专）院校在1998年只有431所，但到2015年达到1341所，远远超过本科院校（684所）数量，且招生规模也逐年扩大。2015年，全国高校计划招生约70万人，其中高职为33.4万人。但是，随着高职招生数量和招生规模的迅猛扩大，高职教学质量问题也日益突出，长期以来，高职教育的一项重要任务就是如何实现由外延扩张向内涵发展转变。为了应对这一难题，教育部早在2004年就启动了五年一轮的高职高专院校评估，正式吹响了“向高职要质量”的号角。然而直到今天，因为不断快速变化的社会、经济环境，高职始终没有能够跟上时代对于高职越来越高的教学质量要求，这就倒逼高职必须审视以往的做法，不断总结经验与教训，优化教学质量管理与督导模式，切实加速提升高职教学质量。

一、文献综述

关于高职教学质量方面的研究，近年来可谓百花齐放，不一而足，大致可以分为以下几种观点：

（一）强调对教师教学质量的考核与评价，强调“教”的质量

张世英（2009）认为高职迫切需要改变课程体系和教学内容相对落后于科技、经济、社会发展的状况。［1］曾兴吉（2015）认为对教师教学质量进行公平、公正、科学、合理的考核与评价是提高教学质量的有力抓手。［2］任静（2015）提出应该加强高职“双师型”教师队伍的建设。［3］马玉（2015）认为提升高职教学质量的方法主要有：（1）规范教师行为、态度；（2）慎重选择教材；（3）提高学生学习主动性，改善生源质量；（4）优化教学管理。［4］窦文晶（2015）认为高职师资队伍结构不合理、“双师”比例低和专业设置盲目是影响高职教学质量的关键因素。［5］马永军、李志敏（2015）认为，高职学生学习动力缺乏除了学生自身的原因外，还与高职没有围绕就业和社会实际需要及时调整专业结构和课程体系以及培养模式落后等有关。［6］张妍妍（2016）提出运用SERVQUAL模型，明确高职教学存在的问题，从而有针对性地加以改进，如根据课改趋势及时调整课程设置方案、了解学生差异实施个性化教学等。［7］

（二）诟病高职教学质量评估制度

俞方（2010）认为现代教育质量观应以市场和客户为导向，其核心是“客户质量定义”，而不是“教育者质量定义”，即教育质量标准不应是教育者（教师和学校）来规定，而应由受教育者及教育成果的使用者来判断，客户的要求和需求得到满足是对教育质量的最佳评价，是评价教育质量的最佳标准。［8］王艳（2011）认为高职教学质量不应仅仅由第一方评价（教师自评）和第二方评价（学校内部），还应合理使用独立于学校的第三方评价。［9］龙建佑、唐芳（2015）认为目前高职教学质量管理普通存在以下问题：（1）重“评价”轻“改进”、重“监督”轻“指导”；（2）不符合“因材施教”原则，认为目前教学质量检查只查“教师”，似乎教学质量只取决于“讲”，不考虑教学目标和内容，不考虑学生实际收获；（3）不符合“全面质量”思想，没有树立“全面”、“全程”和“全员”意识。［10］

（三）提出运用大数据管理高职教学质量

杨现民、王榴卉、唐斯斯（2015）认为：通过大数据技术，学校可以全面采集和分析专业、行业、区域经济与社会发展等诸多数据，从而准确把握市场对于人才的需求，明确专业培养目标和构建适合的课程体系。此外在数据的支持下，教师能够更有效地关注每位学生个体，记录每位学生的学习轨迹，分析每位学生的学习行为、预测其学习结果、诊断其学习需求与问题，开展真正的因材施教，教师也逐步由教学者转变为帮助每位学生个性化学习与发展的指导者。［11］胡弼成、王祖霖（2015）认为大数据可预测、了解、评估教学行为，促进教与学的有效性。大数据还能帮助决策者及时掌握更为全面、更有价值的信息，以便正确决策。同时，大数据可帮助完善教学质量监控体系，为实时、全面、动态的质量管理奠定基础。［12］

通过对以往研究的回顾可以发现：高职教学质量问题已经引起了学界的普遍关注，学者们从教学过程、管理制度和管理手段等诸方面提出了不少有益的建议。但是，当准备采纳这些建议时，就会发现：这些建议或者还需要其他一些辅助条件加以配合，或者还需要做出大量工作才能使这些建议真正落到实处。比如，不少研究者把提升高职教学质量的重点都放“教”的方面，认为高职教学质量水平主要取决于“教师水平”、“教学态度”、“教学方法”等，认为出现教学质量问题主要是“教”的问题。事实上，教学质量管理是一个系统工程，“教”只是影响教学质量的一个方面，而且已经是处于教学质量管理工程的“后道”工序了，如果在“前道”工序已经存在一些先天不足的话，那么，最终的教学质量很难避免出现一些问题。可见，高职教学质量管理必须采用全面质量管理（TQM）的方法，做到“全程”、“全面”、“全员”管理，不仅要保证教学工作质量，而且还要保证教学管理工作质量。再比如，有学者提出“客户质量定义”的现代质量观，这是非常好的观点。但是，采用传统的质量管理手段则很难采集和处理有关“客户”或“用人单位”反馈的大量分散的、历时久远的信息数据。正因为如此，大数据管理高职教学质量才成为当下的一个研究热点，学者们列举了很多这一方法的好处，并提出了许多操作思路。但由于这一方法还处于摸索和起步阶段，所以总体而言，已有的研究成果都比较宏观和抽象，都没有具体的实操方法和流程。比如，需要哪些教育大数据？这些大数据从何而来？如何采集、统计、分析和挖掘这些大数据以用来管理和改进高职教学质量？本研究将就这些具体的实操细节进行更进一步的探索。

二、研究思路与研究内容

（一）研究思路

根据TQM理论，高职教学质量不仅取决于教或学的方面，而且取决于高职教学质量保障运行机制，所以，教学质量出现问题不一定是教师或者学生原因，还有可能是质量保障运行机制出现了问题，如教学质量评价指标不当、评价方法过时，甚至管理层的质量观念陈旧，等等。所以，科学的高职教学质量管理体系必须能够反映影响教学质量的全过程，即既要管理教学过程，也要管理教学辅助活动，包括专业设置、课程设置、质量指标、评价方法、教学资源、教学实施、教学督导等。

（二）研究内容

按照以上研究思路，可以把高职教学运行过程分为三大类活动，即专业设置与课程设置、课程教学、教学督导，这三类活动相辅相成，不可偏废，它们共同构成了决定高职教学质量高低的因素，相应地，本研究运用大数据管理模型分别对这三类活动进行研究。

图1　高职专业设置与课程设置之大数据模型

三、专业设置与课程设置之大数据模型

高职是为社会培养人才，高职教学质量如何，用人单位最有发言权，也最具权威性。而用人单位都是根据其专业需求招聘人才的，因此，专业就成为高职人才培养的起点，也是高职安排课程体系和课程内容的依据。根据全面质量管理（TQM）原理，管理高职教学质量的第一个重要环节就是专业设置和课程安排，如果专业设置不符合市场需求，课程安排达不到专业质量标准，那么，最终的教学质量必然难以保证，而对此应该承担主要责任的就应该是高职管理者而非教师或学生。

之前，高职专业设置和课程安排主要是根据一些办学经验和邀请一些专家讨论而定，具有很大程度的主观性、随意性和滞后性。因为高职培养的学生三年后才走向市场，而由于时间、精力和手段的局限性，在决策专业设置和课程安排时采集到的都只能是一些零星的、片面的或者滞后的信息，加之决策者的有限理性和有限知识，这种基于历史的传统的专业设置和课程安排方式已经很难适应当今快速变化的市场需求了。

如今，基于大数据的专业设置决策模型则能破解这一困难局面。大数据时代采用的分析方法不是传统的抽样分析的方法，它是“样本=全体”的全数据处理技术，能够不依赖于专家经验而凭借客观数据科学地进行预测分析。大数据的特点就是数量大而全、长期跟踪性、实时性，因此，大数据决策模型最利于预测总趋势和关注小概率事件。高职利用大数据可以实时地了解一些专业的发展现状、就业水平、所需要的技术技能以及专业的未来发展趋势，这就为高职实时地、动态地调整专业和课程提供了可能，从而满足高职专业发展的需要和学生发展的需要。具体模型可设计如图1。决策过程如下：

（一）建立高职内部大数据采集平台

这一平台要涵盖高职内部方方面面的数据信息，并且长年不断更新、不断累积，既反映高职的历史数据，又反映高职的动态数据。因此，需要采集的大数据包括历年的教师和学生信息、招生信息、毕业生跟踪信息、专业开设情况、课程开设情况、教学软件硬件设施情况及其使用情况、教学资源建设情况及其使用情况，等等。

（二）分析高职的自身优势与劣势

在市场调查和专业设置论证时，需要根据高职内部大数据，列出高职具备哪些自身优势与劣势。比如，某高职优势有：工科专业基础雄厚、一批毕业生已经有一定成就等，劣势有：文科专业师资不足、专业发展分化严重等。这些分析将为高职适应社会需求调整专业结构提供内部支撑条件。

（三）分析一些专业面临的外部机会与威胁

通过政府、研究部门、互联网等公开信息平台，以及越来越多的商业信息平台，搜集、积累和挖掘宏观经济和行业经济大数据信息，分析高职正在开设的或者将来计划开设的专业的市场机会和存在威胁。需要采集的与专业设置有关的大数据信息包括：主要行业发展现状、规模、发展趋势、赢利水平、竞争情况、从业人数、国家政策导向，等等。

（四）确定高职专业设置及课程安排

四、课程教学之大数据模型

传统的高职教师教学过程主要包括：接受课程教学任务、准备课件、出试卷、批改作业、统计错题、集中讲解等。而传统的高职学生学习过程主要包括：听课、做作业、考试、听老师讲解。随着社会的发展，人与人之间的差异性和个性化越来越明显，特别是当今90后学生。所以以往那种千人一面的“教”与“学”的过程，已经很难达到以往那种标准化、高度一致性的教学质量了。一方面，教师很难根据自己的特长选择课程和安排具有高度个性化的课程内容和授课方式，教师很难兼顾到具有不同学习基础、不同学习能力、不同个性特点和不同兴趣爱好的学生所面临的各自不同的学习问题或阻碍。另一方面，学生也很难根据自己的情况实施个性化的学习方案和实行自我管理。

在大数据时代，教师可以在不改变原有教学习惯的基础上，通过快速、及时、大量的采集教育数据，准确分析各种教学问题，并且可以在第一时间内改变教学策略，使教学过程更有效率、更有针对性。而学生则可以利用大数据所揭示的信息，自主学习，查缺补漏，实行自我管理。具体教学模型可参考如图2，教学实施步骤如下：

图2　课程教学之大数据模型

（一）课程与教师匹配

根据课程数据平台采集到的历年毕业生对于某课程的反馈意见和用人单位对于毕业生的素质要求信息，可以了解该课程设置的必要性及课程主要涵盖内容。同时，根据高职大数据信息平台中关于相关教师，包括专兼职教师的专业背景、研究方向、教学能力、个人意愿等，可以选择该课程最合适、最匹配的授课教师。

（二）搭建互动网络教学平台

教师根据学校制定的专业人才培养方案准备课程资源，包括：课程标准、教学计划、课程整体设计、课程单元设计、电子教案、案例库、试题库等，并将这些课程资源全部上传到互动网络教学平台，供课堂教学或课后学生自学。

（三）学生登录互动网络教学平台

学生通过手机、iPad、台式电脑等终端设备登录互动网络教学平台，学生的学习过程，包括学习的时间点、持续的时间长度、学习的内容、学习的进度、做题对错统计及诊断报告等，都会被平台记录下来，学生自己可以根据这些数据信息，自我安排改进学习的方法与措施。系统设置的一些功能还能够很好地促进学生的学习效果，比如教学视频没有看、每章节的习题没有做的话，那么系统就会提醒学生要抓紧时间看或者做完复习题；如果在平台上学习时间过长的话，系统会提醒注意休息或者跳出窗口加以鼓励等，这种人性化、智能化的设置，也会增加学生使用网络教学平台的乐趣。特别是，学生还可以与授课教师在网络教学平台上互动，把在自学过程中或在教室听课过程中遇到的重点、难点等输入平台，实现一对一的个性化辅导教学模式。

本文试用齐律对甘肃金昌白家嘴子矿区进行了找矿前景预测，预测结果在理论上符合数学模型及推演法则。本文旨在起到抛砖引玉的作用，希望和更多的地质同仁们一起对用数学模拟进行找矿预测的方法进行交流探讨。

（五）教师登录使用和更新互动网络教学平台

教师可以通过教师端口登录互动网络教学平台，在教室或分散的地点同时给学生在线教学，或者与个别学生在线互动教学。平台会把教师的整个授课过程全部记录下来，便于学生课后回放一些教学情景，彻底解决听课过程中遇到的教学难点和教学重点。教师可以根据学生在网络平台上留下来的所有痕迹，及时了解学生对于课程网络资源的使用情况和使用效果。比如，学生何时登录网络平台、登录的次数、对于某些学习内容的点击率、学习停留的时间以及反馈信息等，教师能够很容易地了解学生对哪些课程资源感兴趣，对哪些课程资源没有兴趣，等等，这样教师就能够及时更新完善课程资源，以提高对学生的吸引力。教师还可以通过平台查看学生做题情况，并且能够在第一时间内掌握学生答题总体情况，以及学生之间的差异。所以，大数据平台不但帮助教师了解总体教学情况，而且还没有漏掉对于个别学生的关注，特别是问题学生和学习有困难的学生。以上这些数据信息将为教师及时调整教学策略和实现教师对学生的“一对一”的个性化教学提供重要的依据。

互动网络教学平台不仅能帮助教师更好地了解学生和教育学生，而且能够帮助学生更好地了解自己，实现自我管理和成为更好的自己。

五、课程教学督导之大数据模型

高职的教学质量管理主要由院、系二级督导负责。传统的高职课程教学督导工作重在“督”，疏于“导”，重在“结果考核”，疏于“过程指导”。其基本操作流程即：

这样的教学质量管理方式存在以下一些问题：（1）为了应付检查，教师经常忙于准备连自己都不怎么看的教学文档，这反而耽搁了教师很多宝贵的备课时间。（2）听课检查条目程式老套，完全忽略了在现代信息化时代，已经完全可以采用不同于以往的授课方式了。（3）考核评分缺乏公正、合理性，督导打分根据检查条目逐一打分，而对于不同课程设置一成不变的统一检查条目本身就是不合理的。学生打分更是经常失真，学生往往在期中或者期末的时候凭感觉打分或者根据教师对其要求的严格程度打分。系部领导打分也常常根据教师的平时表现打分，而跟教师实际课程教学水平相关性很小。（4）课程教学督导主要是督查，指导作用很小。在很多情况下，听课的目的就是为了打分，为了考核，特别是跨专业的听课，指导作用很小，至多是从授课技巧方面向授课教师提出一些改进意见，而授课内容方面则无法给出指导意见，或者给出一些不痛不痒的意见。（5）“官本位”意识较强，评价的主体为职能部门、学生和领导，忽视了教学质量是否符合用人单位的需要。评价的客体为教师，评价的目的多为奖惩，忽视了教学质量改进和激励的重要作用。对教学文档、教学秩序监控重视，对教学资源的配置和使用重视不够。对毕业生就业率重视，对根据市场需求及时调整专业结构和课程安排重视不够，教学质量监控没有涵盖到全部教学环节，相互之间没有形成一个有机的整体。主要都是事后质量检查和控制，事前、事中质量控制很少。由此可见，传统的高职教学质量管理都是把板子打在教师身上，而实际考核又经常失真，这非常不利于提高教师的工作积极性和促使教师真正把心思用在教学质量的改进上。

在大数据时代，督导对于教师的评价方式不再是经验式的或主观式的，而是可以通过大量数据的“归纳”，客观地评价“教”和“学”的质量和效果。其次，对教师的教学质量评价跳出了结果评价的圈子，实现了过程性评价和过程性指导的“督导”目标。第三，评价对象涵盖了影响教学质量的全部因素，而不仅仅是教师。课程教学督导模型可参考如下：

图3　教学督导之大数据模型

在大数据时代，以学生为中心，督导、学生、教师各方均具有相对独立性和一定的自主性，并且相互之间能够进行快速地交流，以便于各方自发地、动态地改变工作或学习方式，提高教学质量。督导通过采集教育大数据，可以比较客观地了解教学质量及影响教学质量的特定因素。其督导活动如下：

（一）了解社会对于教学质量反馈情况

督导通过查询课程大数据，可以跟踪历年毕业生对于某门课程的授课评价及学习感受，从而了解设置该门课程的必要性、授课内容的合适性及授课教师的匹配性。

（二）跟踪与指导教学过程

督导可以通过互动网络平台随时查看教师的教学资源的质量、使用率、使用效果及学生的反馈意见，特别是督导的这些查阅做法不仅不会干扰到教师授课和学生学习，而且还可以根据这些真实的反馈信息及时地、有针对性地指导授课教师调整教学策略和改进教学措施。

（三）发挥信息反馈和预警作用

通过大数据解读，督导还可以把用人单位对于人才质量新的要求和个别学生的在线学习的异常情况预警给授课教师，使督导真正发挥了“督”和“导”的双重作用。

（四）实行大数据的过程性考核

教育大数据的实时采集使得督导对于教学质量的评价从“经验主义”走向“数据主义”，因为这些教育大数据不再像以往是通过抽样或者经验获得，而是伴随着教学的实施过程实时记录下来的，非常客观真实，如教师教学资源的使用率、好评率、教学组织教学与指导学生的效果，等等。

传统的高职教学质量管理模式具有高度的计划性、流程性和控制性。从教师到学生到督导都必须严格按照计划执行，教师的授课必须一字一板，严格按照授课计划和单元设计执行，不可随意调整，比如课堂教学没有复习环节，则不符合要求。学生的学习也必须高度一致，哪怕教师正在讲解的内容学生已经掌握也必须要与其他同学一样认真听讲，不得开半点小差，否则成绩受影响。督导的工作也必须严格按照流程走完，并且一定要把教师的教学质量分出三六九等来，哪怕考核偏差很大。随着急剧变化的社会、经济环境，这种高度计划性、批发式、标准化的人才培养模式已经不适应培养具有高度差异性和高度个性化的高职学生了。

基于教育大数据的专业与课程设置模式、教学模式和督导模式，虽然具有较高的变动性和一定程度的不可控制性，但它们通过大数据，能够帮助高职管理者科学地设置最适应市场需求同时最满足高职资源条件的专业项目、课程结构与内容、优秀师资，这就为保障教学质量打下了前提条件。大数据所反映的教和学的痕迹，能够帮助教师精准地、全面地注意到教学的效果及存在的问题，从而帮助他们及时地调整教学策略和实行一对一的辅导。大数据也能帮助学生发现自己的学习不足和摸索一套适合自己的学习方法。大数据还能帮助督导在缺席教学现场的情况下，一样督促、指导教师的教学工作，从而拉近教师与督导之间的心理距离，形成教师、学生、督导合力打造提升高职教学质量的良好氛围。

［1］张世英.论提高高职教育质量的途径与对策［J］．高教经纬，2009（12）：270-271.

［2］曾兴吉.基于高职教师教学质量考核与评价的研究［J］．时代教育，2015（7）：16-17.

［3］任静.高职教学质量管理的强化思路及方法研究［J］．西部素质教育，2015（1）：15.

［4］马玉.论影响高职教学质量的几个因素［J］.职业，2015（5）：55-56.

［5］窦文晶.探讨影响高职教学质量的关键因素［J］.科技教育，2015（10）：153.

［6］马永军，李志敏.高职学生学习动力缺失的思考［J］.时代教育，2015（5）：21-22.

［7］张妍妍.SERVQUAL模型在高职院校教学质量评价中的应用［J］.现代教育管理，2016（1）：107-111.

［8］俞方.提高高职教学质量的几点思考［J］.天津职业院校联合学报，2010（2）：52-55.

［9］王艳.高职教学质量监控：第三方评价［J］.武汉商业服务学院学报，2011（4）：87-89.

［10］龙建佑，唐芳.以协同创新引领高职院校的专业建设［J］.教育与职业，2015（2）：55-58.

［11］杨现民，王榴卉，唐斯斯.教育大数据的应用模式与政策建议［J］.电化教育研究，2015（9）：54-61.

［12］胡弼成，王祖霖.“大数据”对教育的作用、挑战及教育变革趋势［J］.现代大学教育，2015（4）：98-104.